1 / 42

Computergestützte Diagnose von Lungenerkrankungen/ Exploration von CT-Thoraxdaten

Computergestützte Diagnose von Lungenerkrankungen/ Exploration von CT-Thoraxdaten. Tobias Mönch, Matthias Keil, CV 8. Sem. Gliederung. Einleitung Bildgebung Digitales Roentgen Bildfilterung Subtraktion Computer Tomographie Einfache Visualisierungsmethoden Maximum Intensity Projection

Download Presentation

Computergestützte Diagnose von Lungenerkrankungen/ Exploration von CT-Thoraxdaten

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Computergestützte Diagnosevon Lungenerkrankungen/ Exploration von CT-Thoraxdaten Tobias Mönch, Matthias Keil, CV 8. Sem

  2. Gliederung • Einleitung • Bildgebung • Digitales Roentgen • Bildfilterung • Subtraktion • Computer Tomographie • Einfache Visualisierungsmethoden • Maximum Intensity Projection • Volumerendering • Fortgeschrittene Visualisierungsmethoden • Oberflächendistanzbilder • Anatomische Reformatierung • Einteilung der Lunge in Segmente • Fissuren • Bronchien • Blutgefäße & Bronchien

  3. Einleitung Anatomie der Lunge

  4. Einleitung Digitale Bildgebung der Lunge: • Erkennung pulmonaler Erkrankungen (Veränderungen) • Globale Berechnung der Stärke der Erkrankung • Einteilung in Segmente • Periphere und Homogene Veränderungen • Struktur und Funktion

  5. Einleitung • Lokalisation und Prozessdiagnose (Tumore) • Röntgen: Überlagerung von Strukturen • CT: 3 dimensionale Sicht • Verlaufskontrolle (Behandlung) • Auflösung sehr wichtig • Berechnung von Volumen

  6. Einleitung • Präoperative Behandlungsplanung • Lokalisation und Nachbarschaft • Volumenbestimmung

  7. Einleitung • Berechnung von Lungenparametern (Segmentabhängig) • Globale Berechnung ungenau • Mittlere Lungendichte • Emphysem Index

  8. Digitales Röntgen (CR) • Elektronische Photoplatte / Speicherfolie • Seit 1981 (Fuji) • Hohe Empfindlichkeit (1/10 der Dosis) • Bis 10 Aufnahmen je Sekunde • Hohe Auflösung • 10 Linienpaare / mm • Digitale Verarbeitung

  9. CR- Bildfilterung • Bildverbesserung • Unsharp Matching • Highpass-Filterung • Resultierendes Bild gewichtet auf Original addiert • Kleine Strukturen und Kanten werden verstärkt • z.B. Pulmonalarterien • Rauschanfällig

  10. CR- Bildfilterung • Kontrastanhebung • Wavelettransformation • Multiscale Repräsentation • Gradienten verstärken • Senkrecht zu Kanten • Inverse Transformation • Regionen werden mit Kanten verstärkt • Rauschunterdrückung

  11. CR- Subtraktion • Verlaufskontrolle • Tumorwachstum / Ansprechen auf Behandlung • Besser als „Side by Side“ Vergleiche • Registrierung (Überlappung) • Anatomische Landmarken • Geometrische Verformung • Volumenänderung im Subtraktionsbild

  12. Computertomographie (CT) • Schichtbildverfahren • Fächerförmige Strahlen • In parallele Geometrie umrechnen • Projektionen messen • 1-D Fouriertransformation • Frequenzraumrepräsentation • 2-D Rücktransformation • Ortsraumrepräsentation http://www.iap.uni-bonn.de/P2K/tomography/auto_rib_cage.html

  13. Computertomographie (CT) • Spiral CT: • Kontinuierliche Abtastung • Schnelle Aufnahme • Geringe Artefakte • Umrechnung der Messdaten in Ebenenprojektion • Interpolation • Hounsfield Einheiten: • H = 1000 (m - mw)/(mw - ma) • Artefakte: • Bewegung • Metall • Partialvolumeneffekt

  14. SARS-Severe Acute Respiratory Syndrome • In Röntgenaufnahmen schlecht diagnostizierbar • HRCT als Lösung • http://www.droid.cuhk.edu.hk/web/atypical_pneumonia/atypical_pneumonia.htm

  15. Einfache Visualisierungsmethoden • Bereits Standardverfahren • In Visualisierungssoftware integriert • Vom Arzt ausgeführt • Maximum Intensity Projection • Distance MIP  Lokalisation und Prozessdiagnose • Volume Rendering  Präoperative Behandlungsplanung

  16. Maximum Intensity Projection • Lunge vorsegmentieren • Schwellwertverfahren • Keine hellen Strukturen außerhalb der Lunge • z.B. Rippenknochen, Mediastinale Strukturen • Projektion des 3D Datensatzes • Nur hellste Voxel dargestellt • In Echtzeit möglich • Interaktive Rotation

  17. Distance MIP • Darstellung des Abstands des hellsten Voxels zur Oberfläche des Lungenvolumens in Projektionsrichtung • Farbkodiert • Nur Voxelintensitäten über bestimmtem Schwellwert

  18. Volume Rendering • Direkte Darstellung des 3D-Datensatzes • Ohne Graphik Primitive • Ablauf: • Datenverbesserung • Voxelshading (Phong)  parallel  • Berechnung der Durchsichtigkeit (Klassifikation) • Anhand der Grauwerte und der Gradienten • Raycasting und undurchsichtiger Hintergrund  Pixelwert

  19. Volume Rendering • Echtzeitfähig • Slab Technik: • Datensatz durch Clip-Ebenen einschränken

  20. Volume Rendering

  21. Fortgeschrittene Visualisierungsmethoden • Vorgestellt von MeVis • Befundung von • Rundherden (im Inneren der Lunge) • Pleuraständigen Tumoren (linsenförmig, rund) • Erscheinen als Verdickung des Rippenfells • Projektionsansichten der segmentierten Lunge • Region Growing und Wasserscheiden • Oberflächendistanzbilder • Anatomische Reformatierung

  22. Oberflächendistanzbilder • Veränderungen der segmentierten Lungenoberfläche • Projektion des Abstandes Distanzbild • GradientenfilterungVeränderungen verstärkt

  23. Anatomische Reformatierung • Verschieben der Zeilen des Datensatzes • Oberfläche der Lunge in einer Schicht • Voxel darunter werden entsprechend mit verschoben • Bei Tumoren ist Oberfläche nicht gleichmäßig • Unnatürliche Verschiebung der inneren Strukturen

  24. Anatomische Reformatierung

  25. Einteilung der Lunge in Segmente über Fissuren • Fissuren: • Trennung zwischen Lungenlappen • Ca. 1 mm dicke Bindegewebsstrukturen • Unvollständig oder gar nicht sichtbar

  26. Fissuren • Erstellen der Lungenmaske • Segmentierung der Luftwege • Trennung der Lungenteile • Gefäßsegmentierung • Region Growing mit automatischem Startpunkt

  27. Fissuren • Distanztransformation • Entfernung jedes Voxels zum nächsten Blutgefäß • Berücksichtigen von Fissuren • Gewichtete Addition von Distanzbild und Original • Anpassung an hoch- und niedrigaufgelöste Daten

  28. Fissuren • Lungenlappensegmentierung durch interaktive Wasserscheidentransformation • Finden von 3D-Bereichen, die durch lokale Maxima getrennt werden • Hierarchische, markerbasierte WST • Schnelle Anzeige der Segmentierungsergebnisse nach jedem Marker

  29. Fissuren • Fazit: • Robustes Verfahren • Geringer Interaktionsaufwand • Volumen stimmt zu >99% überein

  30. Einteilung der Lunge in Segmenteüber den Bronchialbaum • Segmentierung des Lungenparenchyms durch Region Growing • Sigma-Filter • Rauschen unterdrücken • Kanten erhalten • Verfolgung des Bronchialbaumes

  31. Bronchialbaum • Skelettierung der Struktur • Interpretation als Graph • Knoten = Verzweigungspunkte • Kanten = Mittelachsen der Gefäße zwischen den Verzweigungen

  32. Bronchialbaum • Segment  alle Voxel, die näher am entsprechenden Teilbaum liegen • Genauigkeit >70 % • Ursprünglich zur Segmentierung der Leber gedacht

  33. Einteilung der Lunge in Segmenteüber Blutgefäße & Bronchien • Finden der Hauptäste durch 3D-Region-Growing • Vorverarbeitung • Vergrößern der Schichten (2x) • 13x13 Mexican Hat Filter • Luftwege  dunkel • Blutgefäße  hell • Kantenerhaltendes Region Growing

  34. Blutgefäße & Bronchien • Nutzung von anatomischem Wissen • Luftwege und kleinere Blutgefäße verlaufen parallel • Erst Blutgefäße finden, dann in der Umgebung nach Luftwegen suchen • Vergeben von Vertrauenslevels • Blutgefäße (0.5 und 1.0) • Luftwege (0.4, 0.6, 0.8 und 1.0)

  35. Blutgefäße & Bronchien • Einstufung der… • Blutgefäße nach… • Größe • Grauwert (auch relativ zur Umgebung) • Luftwege nach… • Grauwert • Nachbarschaft zu Blutgefäßen, deren Größe und Vertrauenslevel • Vorhandensein einer Gefäßwand • Relativer Grauwert zu umgebenden Regionen

  36. Blutgefäße & Bronchien

  37. Blutgefäße & Bronchien • Aufbau des Bronchialbaums • A-Baum = Primärbaum • B-Baum = A-Baum und alle größeren gefundenen Luftwege • C-Baum = alle Luftwege aus den CT-Schichten • Nachbearbeitung des Baumes • Skelettierung • Füllen von Löchern • Löschen von geometrisch unmöglichen Formen

  38. Blutgefäße & Bronchien • Weiterer Ansatz  Fuzzy-Logic: • Repräsentation durch Sprachausdrücke • HELLIGKEIT ist NIEDRIG • ADJAZENZ ist HOCH • VORHANDENSEIN_VON_WÄNDEN ist HOCH

  39. Blutgefäße & Bronchien • Wahrscheinlichkeitsermittlung über Fuzzy-Logic • Ergebnis: Einstufung von 0 bis 3 • C-Baum besteht aus den mit 2-3 bewerteten Luftwegen

  40. Blutgefäße & Bronchien • Fazit: • Getestet an Datensätzen von Hunde-Lungen • Gute bis sehr gute Übereinstimmungen

  41. Literatur (1) • S. Krass, D. Selle, D. Boehm, H.-H. Jend, A. Kriete, W. Rau, H.-O. Peitgen, „A method for the determination of bronchopulmonary segments based on HRCT data“ • M. Sonka, G. Sundaramoorthy, E. A. Hoffman, „Knowledge-Based Segmentation of Intrathoracic Airways from Multidimensional High Resolution CT Images“ • M. Sonka, W. Park, E. A. Hoffman, „Rule-Based Detection of Intrathoracic Airway Trees“ • W. Park, E. A. Hoffman, M. Sonka, „Fuzzy Logic Approach to Extraction of Intrathoracic Airway Trees from Three-Dimensional CT Images“ • J.-M. Kuhnigk, H. K. Hahn, M. Hindennach, V. Dicken, S. Krass, H.-O. Peitgen, „Lung lobe segmentation by anatomy-guided 3D watershed transform“ • J.-M. Kuhnigk, H. K. Hahn, M. Hindennach, V. Dicken, S. Kraß, H.-O. Peitgen, „3D-Lungenlappen-Segmentierung durch Kombination von Region Growing, Distanz- und Wasserscheiden-Transformation“ • http://www.mevis.de/projects/thorax/segments/segments.html (16.05.04)

  42. Literatur (2) • http://www.mevis.de/projects/thorax/radiography/chest.html (16.05.04) • http://www.droid.cuhk.edu.hk/web/atypical_pneumonia/atypical_pneumonia.htm (16.05.04) • http://www.iap.uni-bonn.de/P2K/tomography (16.05.04) • http://dpi.radiology.uiowa.edu/spie/sonka/lung.html (16.05.04) • J. Lu, D. M. Healy Jr. and J. B. Weaver, „Contrast Enhancement of Medical Images Using Multiscale Edge Representation“, SPIE vol. 2242 Wavelet Applications, pp. 711-719, 1994 • A. Polesel, G. Ramponi and V.J. Mathews, „Adaptive Unsharp Masking for Contrast Enhancement“, Proc. Fourth IEEE Intern. Conf. on Image Processing, ICIP-97, S.Barbara, CA, Oct.26-29, 1997 • Marc Levoy, „Display of Surfaces from Volume Data“, IEEE Computer Graphics and Applications,Vol. 8, No. 3, May, 1988, pp. 29-37 • S. Krass, D. Selle, A. Bödicker, W. Spindler, H. Seyffarth, H.-H. Jend, „Computergestützte Radiologie des Thorax“

More Related